我有300k + html文档，我想从中提取邮政地址。数据是不同的结构，所以正则表达式不会工作。这是什么叫，通过NLP从HTML中提取地址
我已经做了一堆关于Python的NLP和NLTK的阅读，但是我仍然在从这里开始苦苦挣扎。
此方法是否称为词性标注或分块/部分分析？我找不到任何关于如何实际标记页面的文档，以便我可以对它进行培训，甚至可以培训我应该培训的内容。
所以我的问题;
苹果称之为他们的软件，这是否“数据检测”（注意，它的专利 - 他们赢得了injunction对HTC的Android手机在这一点）。更一般地说，我认为这个应用程序被称为Information Extraction。
将文本从HTML页面中除去（除非有一种方法可以从HTML中识别地址文本，例如具有特定类的div），然后构建一组与所使用的地址格式相匹配的规则。
如果在几个国家有邮政地址，那么格式可能会有明显的不同，但在一个国家内，格式是一样的（有些调整），或者它是无效的。
例如，在美国，地址是3或4行（包括该人）。通常有一个邮政编码（5个数字后面跟着4个）。其他国家有不同格式的邮政编码。
除非您的目标对所有地址都是100％的准确性，否则您可能应该在任务的预算内尽可能多地提取地址。
它似乎并不像NLP任务，除非你想使用命名实体识别找到城市，国家等
你的任务是叫信息提取，但是这是一个非常，非常宽泛的概念。幸运的是你的任务更有限（街道地址），但是你不会提供很多信息：
什么国家的地址在？东京的地址与克利夫兰的地址非常不同。如果您对有限数量的国家/地区的地址感兴趣，那么您的成功几率会更好 - 您可以从每个国家开发解决方案。如果我们正在谈论非常有限的号码，您可以编码识别器manually。
我们在讨论什么样的网页？它们是一个随机集合，还是可以将它们分组成有限数量的网站和格式？地址在哪里出现？ （即，在那里你可以用它来零上他们的任何上下文线索？）
我带你去一个更坏的情况是问题2：该页面是完全不同的，并且地址可以在任何地方。不知道艺术的状态是什么，但我会把它看作是一个块状问题。
要获得任何体面的结果，您需要一套训练集。至少，大收集来自相同位置的地址，并且采用与您要提取的地址相同的样式（非正式，不完整，完整）。然后，你可以尝试哄骗体面的表现（可能是后期处理）。
PS。我不会放弃HTML标记。它包含有关可能有用的文档结构的信息。在添加html标记之前，我会添加结构标记（段落，重点，标题，列表，显示）。
Qn：哪个NLP任务与此任务密切相关？
答案：检测邮政地址的任务可以被视为Name-Entity Recognition（NER）任务。但我建议在html上（即你的输入数据）简单地查看sequence labeling的任务，然后执行一些标准的机器学习classification。
问题：如何标记一些文件作为培训数据？
的：你可以做的是：
你是在谈论寻找邮政地址？ – Barmar
是的，这是正确的，例如http://web.cs.dal.ca/~zyu/research/Thesis.pdf – Wizzard
你可以发布一些示例输入？ –